pytorch 线性回归

import torch
from torch.autograd import Variable
import torch.nn.functional as F
import matplotlib.pyplot as plt
#print(torch.linspace(-1,1,100))
x=torch.unsqueeze(torch.linspace(-1,1,100),dim=1)#增加一个维度
y=x.pow(2)+0.2*torch.rand(x.size())
x,y=Variable(x),Variable(y)
# print(x)
# print(y)
class Net(torch.nn.Module):
    def __init__(self,n_feature,n_hidden,n_output):#
        super(Net,self).__init__() #继承NEt到torch.nn.Module
        self.hidden = torch.nn.Linear(n_feature,n_hidden)#输入数据个数，输出隐藏层节点神经元个数
        self.predict =torch.nn.Linear(n_hidden,1)#输入隐藏层神神经元个数，输出1个
    def forward(self,x):#前向传递的过程，搭图的过程。输入信息x
        x=F.relu(self.hidden(x))#x过了隐藏层
        x=self.predict(x)#预测x，没用激励函数,防止激励函数截断数据
        return x
net=Net(1,10,1) #输入1个 隐藏层10个神经元 输出1个
print(net)#输出层结构
plt.ion() #画图 实时打印 打开交互模式
plt.show()
optimizer=torch.optim.SGD(net.parameters(),lr=0.5) #随机梯度下降。传入神经网络的参数
loss_func =torch.nn.MSELoss()  #均方差代价函数
for t in range(100):
    prediction =net(x)
    loss =loss_func(prediction,y) #loss是变量，具有梯度和数据两个属性
    optimizer.zero_grad() #所有参数梯度降为零。
    loss.backward() #计算梯度
    optimizer.step()#以学习率0.5优化梯度
    if t % 5 ==0:
        plt.cla() #清除之前的绘图
        plt.scatter(x.data.numpy(),y.data.numpy())#散点图
        plt.plot(x.data.numpy(),prediction.data.numpy(),'r-',lw=5) #画图
        print(loss.data)#输出代价
        #plt.text(0.5,0,'Loss=%.4f' % loss.data[0],fontdict={'size':20,'color':'red'})
        plt.pause(0.1) #画图是图像暂停，否则直接画出最终图像。
plt.ioff()#让界面停留
plt.show()#开始画图